Como a imagem vira sequência?
Imagem → Patches
Número de patches:
Sequência resultante
Sequência de patches →
Por que quebrar em patches?
Imagem como sequência
Transformers processam listas de tokens. Patches convertem a imagem em exatamente isso.
Tamanho fixo
Cada patch tem dimensões iguais — fácil de achatar e projetar para um vetor de embedding.
Trade-off de resolução
Patches menores = mais tokens = maior detalhe, maior custo na atenção.
Fórmula simples
N = (H/P) × (W/P)
onde:
H = altura da imagem
W = largura da imagem
P = tamanho do patch
💡
Em ViT, a imagem é quebrada em patches e passa a ser tratada como sequência — como palavras em uma frase.